[发明专利]一种基于遗传神经网络的曲轴疲劳寿命预测方法

摘要

本发明公开了一种基于遗传神经网络的曲轴疲劳寿命预测方法，属于内燃机曲轴疲劳寿命测试领域。目的是为了解决DC谐振式曲轴疲劳寿命测试机对曲轴测试具有破坏性和测试时间长等不足。其原理是利用传统DC谐振式曲轴疲劳寿命测试机对曲轴测试的历史数据归一化得到训练样本集；通过遗传算法优化BP人工神经网络模型；使用训练样本集对基于遗传算法优化后的BP人工神经网络进行迭代训练得到训练好的BP人工神经网络预测模型；使用该预测模型对曲轴疲劳寿命快速预测。本发明基于遗传算法优化BP人工神经网络，避免了单一BP神经网络的“过拟合”问题，可有效提高训练速度和预测精度；短时间内快速预测曲轴疲劳寿命而且不破坏曲轴质量，能够对整个生产批次曲轴进行批量测试。

主权项

1.一种基于遗传神经网络的曲轴疲劳寿命预测方法，其特征在于：利用DC谐振式曲轴疲劳寿命测试机曲轴疲劳寿命测试历史数据构建训练样本集；构建三层BP人工神经网络；使用遗传算法对该BP人工神经网络权值和阈值优化计算，优化后的权值和阈值赋给BP人工神经网络；将归一化的训练样本输入优化后的BP人工神经网络进行训练得到曲轴疲劳寿命预测模型，采样DC谐振式曲轴疲劳寿命测试机1分钟内曲轴固有频率数据，输入该预测模型进行预测得到归一化的曲轴疲劳寿命预测值，将其反归一化计算得到曲轴疲劳寿命的实际预测值，具体步骤如下：步骤一、构建归一化曲轴寿命训练样本集从DC谐振式曲轴疲劳寿命测试机的历史数据中，随机抽取100个，每个历史数据包括曲轴固有频率历史测试值和曲轴疲劳寿命历史测试值，其中曲轴固有频率历史测试值为1分钟内10次采样的数据；然后将上述10个采样频率历史测试值归一化作为10维输入，归一化计算公式如下：其中，k是大于零的自然数，具体实施例中k取10，max(x)和min(x)分别为原始样本数据中曲轴固有频率的最大值和最小值，x_t为原始样本数据，x′_t为归一化处理后的数据；曲轴疲劳寿命历史测试值归一化作为1维目标输出，其计算公式如下：其中，k是大于零的自然数，具体实施例中k取1，T_t是原始样本数据中曲轴疲劳寿命实际测试值，单位为次，T′_t为归一化处理后的数据；归一化的10维输入和1维目标输出组成一个测试样本；归一化后的10维输入和1维目标输出组成一个训练样本。步骤二、构建BP人工神经网络确定BP人工神经网络具有三层，输入层、隐层和输出层：1)确定BP人工神经网络输入层神经元个数：设定输入层神经元个数为曲轴固有频率历史测试值的个数，即10个；2)确定BP人工神经网络输出层神经元个数：即曲轴疲劳寿命，为1个；3)确定BP人工神经网络隐层神经元个数：根据Hecht-Nielsen的经验公式确定隐层神经元个数，其计算公式如下：其中，q是隐层神经元个数，是向上取整数，n是输入层神经元个数，p是输出层神经元个数，即q为21；步骤三、基于遗传算法优化计算BP人工神经网络权值和阈值使用matlab的BP神经网络工具箱中newff函数创建上述三层结构BP神经网络，初始权值和阈值为newff函数默认值；首先利用matlab GAOT遗传算法工具箱中的initializega函数随机生成50组BP神经网络的初始权值和阈值，顺序编码为基因序列构成规模为50的初始种群，该种群中的每个基因序列的长度s根据如下公式计算：s＝len(w₁)+len(b₁)+len(w₂)+len(b₂)其中len(w₁)是输入层到隐层权值矩阵w₁[10×21]中的数据个数，len(b₁)是隐层阈值矩阵b₁[21×1]中的数据个数，len(w₂)是隐藏层到输出层权值矩阵w₂[21×1]中的数据个数，len(b₂)输出层阈值矩阵b₂[1×1]中的数据个数；BP网络的权值和阈值按照输入层到隐层连接权值矩阵w₁[10×21]、隐层阈值矩阵b₁[21×1]、隐藏层到输出层连接权值矩阵w₂[21×1]、输出层阈值矩阵b₂[1×1]，顺序编码为二进制基因序列，随机生成取值范围为[-1，1]，初始规模为50的基因序列种群，适应度函数定义如下：F(x)=11nΣi=1n|Ti-Di(x)|2+1]]>其中F(x)是适应度函数，x是种群中的基因序列即BP人工神经网络的权值和阈值编码，n表示训练样本个数，D_i(x)表示第i个训练样本输入BP人工神经网络(解码基因序列x得到的权值和阈值赋给该BP人工神经网络)得到的曲轴疲劳寿命预测值，T_i为第i个训练样本的曲轴疲劳寿命历史测试值；设定选择算子概率为0.09、交叉算子概率为0.95、变异算子为0.1，迭代误差满足ε＜0.030，按照编码顺序即输入层到隐层连接权值矩阵W₁[10×21]、隐层阈值矩阵b₁[21×1]、隐藏层到输出层连接权值矩阵W₂[21×1]、输出层阈值矩阵b₂[1×1]，解码具有最优适应度的基因序列个体得到优化后的BP神经网络权值和阈值矩阵分别为w₁′[10×21]，b′₁[21×1]，w′₂[21×1]，b′₂[1×1]；步骤四、训练经步骤三优化后的BP神经网络BP人工神经网络的每一个训练过程是进行正向和反向两趟传播计算：1)正向传播：训练样本从输入层传输到隐层单元然后通过隐层传向输出层，输入层到隐层传递函数公式如下：mi=Σj=1p{xj×w1′[i,j]}]]>其中，用m_i表示第i个隐层神经元的输入值，x_j为训练样本的第j个输入变量值，w′₁[i，j]为矩阵w′₁[10×21]中输入层神经元j与隐层神经元i的连接权值，p为训练样本的输入变量的个数；本申请实施例中输入层有10个神经元、隐层有21个神经元，每个训练样本有10个输入变量，因此j∈[1，10]，i∈[1，21]，p＝10。从隐层到输出层传递函数公式如下：Di=f(mi)=11+e-mi]]>t=g(Di)=Σi=1q{w2′[i]×Di}]]>其中D_i是隐层传递函数值，t是输出层输出的曲轴疲劳寿命预测值，q是隐层神经元的个数，w′₂[i]是矩阵w′₂[21×1]中第i个隐层神经元到输出层神经元的连接权值；本申请实施例中隐层有21个神经元，因此，i∈[1，21]，q＝21。在此过程中，训练样本向前传递的权值保持不变，每一层神经元的状态只影响下一层神经元的状态。2)反向传播：根据输出层的曲轴疲劳寿命预测值与曲轴疲劳寿命历史测试值存在的误差，进行误差反向传播，即将训练样本误差由输出端经过隐层逐层修正误差，调节网络权值和阀值并向前传播，误差公式如下：E=1nΣi=1n|Ti-Di|2]]>其中，E表示BP人工神经网络预测平方和误差，n表示训练样本个数，D_i表示第i个训练样本输入BP神经网络后输出的曲轴疲劳寿命预测值，T_i为第i个训练样本对应的曲轴疲劳寿命历史测试值；步骤五、曲轴疲劳寿命预测首先利用DC谐振式曲轴疲劳寿命测试机在1分钟内10次采样曲轴固有频率变化，采样间隔为6秒，得到10个曲轴固有频率数据，按步骤一中归一化公式处理采样数据，然后输入步骤四中得到的已训练好的遗传神经网模型预测得到归一化的预测值，对该预测值进行反归一化计算得到曲轴疲劳寿命的实际预测值。